提出 ManyDepth，一种自适应的、可以在测试时间利用序列信息的深度估计方法，通过深度自监督训练基于端到端代价体系积攒的方法，鼓励网络忽略不可靠的代价体以及针对静态相机场景的增强方案。实验证明此方法在 KITTI 和 Cityscapes 上表现优于其他单帧和多帧的自监督基线模型。

Apr, 2021

本研究提出了一种利用单目和立体相机视频中的连续帧进行深度估计的自监督联合学习框架，其中使用了隐式深度线索提取器来利用动态和静态线索产生有用的深度建议，并通过引入高维注意力模块来提取清晰的全局变换。实验证明，所提出的框架在 KITTI 和 Make3D 数据集上优于现有技术。

Jun, 2020

通过一种自监督学习框架，提出一种基于动态关注模块的两阶段投影管道，以明确解耦相机自我运动和物体运动，并提出了一种基于对比采样一致性的物体运动场估计方法，该方法在自监督单目深度估计、物体运动分割、单目场景流估计和视觉里程表任务上均优于现有的最先进算法。

Oct, 2021

本文提出通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。

Apr, 2020

本文提出了一种基于多任务学习的方法，能够联合进行几何和语义场景理解，包括单眼深度估计、深度补全和语义场景分割，通过一个时间上连续受限的循环网络，利用一系列复杂的跳跃连接、对抗性训练和顺序帧重复的时间限制同时产生一致的深度和语义类标签，大量实验评估表明相比其他当代最先进的技术，本方法的有效性。

Mar, 2019

本文提出了一种新的方法，能够在显式掩模和单眼线索的帮助下，利用体积编码融合多视图几何感知与单眼图像中的上下文信息，从而实现对多帧深度估计的更精确的处理。实验结果证明了这种方法在真实世界数据集中的有效性与通用性。

Apr, 2023

本文介绍了一种新的实时多任务网络，包括单目三维物体检测、语义分割和密集深度估计，通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题，并利用硬参数共享方法提高效率，能够同时处理多个任务，尤其是三维物体检测，并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究，我们的网络始终优于各种基准模型。

Mar, 2024

本文提出了一种自主引导的语义深度估计方法（SGDepth），通过交叉域训练避免移动车辆和行人等动态类别对象对深度标签的干扰，利用异构网络头进行语义分割和深度估计，采用语义遮罩机制预防动态物体的污染，并引入一种检测算法学习移动类别对象的深度。通过在多个数据集上评估验证了该方法的性能。

Jul, 2020

本研究提出了两种新的方法以提高自监督单目训练深度估计，分别为自我关注和离散视差预测，将这两种方法应用到最先进的单目深度估计模型 Monodepth2 中，超越其他自监督和完全监督方法，获得在 KITTI 2015 和 Make3D 数据集上最好的结果。

Mar, 2020

本文提出了一种名为 SurroundDepth 的新型深度估计方法，运用多摄像头技术以及跨视图变换器，实现了在自动驾驶中对深度地图的精准预测，且在多视角实现机体运动一致性，取得了 DDAD 和 nuScenes 两个数据集的最佳成绩。

Apr, 2022